Melola Discovery

← Melola Discovery

Jurnal

Analisis Sentimen Pengguna Aplikasi Marketplace Tokopedia Pada Situs Google Play Menggunakan Metode Support Vector Machine (SVM), Naïve Bayes, dan Logistic Regression

PRISMA, Prosiding Seminar Nasional Matematika · Vol. 5 (2022) · hlm. 759–766

ISSN
2613-9189
Terbit
2022-02-12
Penerbit
Jurusan Matematika FMIPA UNNES
Bahasa
eng

Abstrak

Pertumbuhan e-commerce di Indonesia sangat pesat, terbukti dengan data penggunainternet yang terus meningkat dari tahun ke tahun, serta adanya pandemi virus COVID-19 yang mengharuskan masyarakat untuk melakukan social distancing.Tokopedia merupakansalahsatu penyedia e-commerce yang umum digunakan masyarakatIndonesia saat ini, khususnya generasi milenial. Data review hanya akan dilabelisebagai dua jenis sentimen, yaitu sentimen positif dan sentimen negatif kemudianmetode klasifikasi sentimen positif dan sentimen negatif dilakukan denganmenggunakan beberapa metode,yakniSupport Vector Machine, Naïve Bayes,dan Logistic Regression.Hasil pelabelan kelas sentimen pada data review Tokopedia diperoleh 3125 review dengan jumlah review positif sebanyak 2598 review dan review negatif sebanyak 527 review. Pada penelitian ini akan menggunakan dua jenis model pembagian data, yaitu dengan split data 80:20 dan k-fold cross validation.Ketidakseimbanganbanyak data padatiapkelassentimenditanganimengunakanteknik SMOTE.Penerapan SMOTE terbukti dapat meningkatkan kinerja pada data tidak seimbang, sehingga hal tersebut menunjukkan bahwa SMOTE lebih efektif dalam meningkatkan ketepatan akurasi klasifikasi daripada non-SMOTE. Metode klasifikasi yang tepat digunakan untuk klasifikasi review pengguna Tokopedia adalah k-fold cross validation Support Vector Machine-SMOTE karena karena memiliki nilai AUC paling tinggi.

Jaringan kolaborasi para penulis

40 penulis · 73 tautan kepenulisan bersama · 2 lintas organisasi · menampilkan 40 yang paling banyak terhubung

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • State University of Semarang
  • Universitas Halu Oleo
  • Universitas Airlangga
  • Afiliasi tidak diketahui
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama
Zaenuri ZaenuriState University of Semarang3
Fajar Sodik PamungkasAfiliasi tidak diketahui3
Dedy KurniantoAfiliasi tidak diketahui3
St. Budi WaluyaAfiliasi tidak diketahui2
Jannatun Khustia LubisAfiliasi tidak diketahui2
Alif Aulia RahmanAfiliasi tidak diketahui2
Mohammad AsikinAfiliasi tidak diketahui2
Muhammad AshimAfiliasi tidak diketahui2
Nur HasanahUniversitas Halu Oleo2
Rohimatul AzizahAfiliasi tidak diketahui2
Bayu Dwi PrasetyaAfiliasi tidak diketahui2
Fatkhurokhman FauziAfiliasi tidak diketahui2
MulyonoAfiliasi tidak diketahui1
Noviana Dini RahmawatiAfiliasi tidak diketahui1
Alfina AkmalinaAfiliasi tidak diketahui1
Elya Gita AstutiAfiliasi tidak diketahui1
Mira Dwi UtamiAfiliasi tidak diketahui1
Nike Yustina OktavianiAfiliasi tidak diketahui1
Luthfiyah AstutiningtyasAfiliasi tidak diketahui1
Riska Nur FitrianingsihAfiliasi tidak diketahui1
Annisa IkrimahAfiliasi tidak diketahui1
Supriyono SupriyonoAfiliasi tidak diketahui1
Mohammad Jefrie Ilham AkbarAfiliasi tidak diketahui1
Faris Febri RahantoAfiliasi tidak diketahui1
Muhammad Nurul MuttaqinAfiliasi tidak diketahui1
Iwan JunaediState University of Semarang1
Sanianajiba Nugroho PutriAfiliasi tidak diketahui1
Hendrik SutrisnoAfiliasi tidak diketahui1
Yeni NurochmahAfiliasi tidak diketahui1
WardonoAfiliasi tidak diketahui1
MunaAfiliasi tidak diketahui1
Tri Sri Noor AsihAfiliasi tidak diketahui1
Rizki Ahid NurhasanahAfiliasi tidak diketahui1
Petronela Ivoni SusantyAfiliasi tidak diketahui1
Kartono KartonoUniversitas Airlangga1
Luluk Ulfa ChasaniAfiliasi tidak diketahui1
Tri Sri Noor AsihAfiliasi tidak diketahui1
Wardono WardonoAfiliasi tidak diketahui1

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Sumber metadata: OAI-PMH (metadata jurnal) https://journal.unnes.ac.id/sju/index.php/prisma/oai, pertama di-harvest 6 Nov 2026, terakhir terlihat 6 Nov 2026.
Metadata asli (oai_dc)
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="en-US">Analisis Sentimen Pengguna Aplikasi Marketplace Tokopedia Pada Situs Google Play Menggunakan Metode Support Vector Machine (SVM), Naïve Bayes, dan Logistic Regression</dc:title>
	<dc:creator>Putri, Meishita Inelza</dc:creator>
	<dc:creator>Kharisudin, Iqbal</dc:creator>
	<dc:description xml:lang="en-US">Pertumbuhan e-commerce di Indonesia sangat pesat, terbukti dengan data penggunainternet yang terus meningkat dari tahun ke tahun, serta adanya pandemi virus COVID-19 yang mengharuskan masyarakat untuk melakukan social distancing.Tokopedia merupakansalahsatu penyedia e-commerce yang umum digunakan masyarakatIndonesia saat ini, khususnya generasi milenial. Data review hanya akan dilabelisebagai dua jenis sentimen, yaitu sentimen positif dan sentimen negatif kemudianmetode klasifikasi sentimen positif dan sentimen negatif dilakukan denganmenggunakan beberapa metode,yakniSupport Vector Machine, Naïve Bayes,dan Logistic Regression.Hasil pelabelan kelas sentimen pada data review Tokopedia diperoleh 3125 review dengan jumlah review positif sebanyak 2598 review dan review negatif sebanyak 527 review. Pada penelitian ini akan menggunakan dua jenis model pembagian data, yaitu dengan split data 80:20 dan k-fold cross validation.Ketidakseimbanganbanyak data padatiapkelassentimenditanganimengunakanteknik SMOTE.Penerapan SMOTE terbukti dapat meningkatkan kinerja pada data tidak seimbang, sehingga hal tersebut menunjukkan bahwa SMOTE lebih efektif dalam meningkatkan ketepatan akurasi klasifikasi daripada non-SMOTE. Metode klasifikasi yang tepat digunakan untuk klasifikasi review pengguna Tokopedia adalah k-fold cross validation Support Vector Machine-SMOTE karena karena memiliki nilai AUC paling tinggi.</dc:description>
	<dc:publisher xml:lang="en-US">Jurusan Matematika FMIPA UNNES</dc:publisher>
	<dc:date>2022-02-12</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:type xml:lang="en-US">Peer-reviewed Article</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://journal.unnes.ac.id/sju/prisma/article/view/54577</dc:identifier>
	<dc:source xml:lang="en-US">PRISMA, Prosiding Seminar Nasional Matematika; Vol 5 (2022): PRISMA, Prosiding Seminar Nasional Matematika XV; 759-766</dc:source>
	<dc:source>2613-9189</dc:source>
	<dc:language>eng</dc:language>
	<dc:relation>https://journal.unnes.ac.id/sju/prisma/article/view/54577/21107</dc:relation>
	<dc:rights xml:lang="en-US">Copyright (c) 2022 PRISMA, Prosiding Seminar Nasional Matematika</dc:rights>
</oai_dc:dc>